水污染，特别是非点源污染（NSP），构成了重大环境挑战，威胁着水生生态系统和人类健康，从而阻碍全球可持续发展 [1], [2], [3]。NSP日益严峻与其快速经济扩张和人口增长密切相关 [4], [5], [6]。NSP的复杂性源于其对多个相互作用因素的依赖，包括水文循环、土地利用变化、气候变率、土壤特征和人类活动。这些相互作用使污染物评估复杂化，并制约了有效缓解策略的开发 [7], [8], [9], [10]。
识别非点源污染的关键源区（CSAs）是优先保护措施的制定和资源优化配置的基础 [11], [12]。CSAs是对水体污染物负荷贡献不成比例的区域，对其实施针对性管理可以显著提高水质 [13], [14]。然而，CSA识别需要在干预成本与缓解效果之间取得平衡，考虑到大规模流域管理的高昂费用，这尤其具有挑战性 [15], [16]。传统上，CSA识别依赖于经验模型、机理模型和直接观测 [10], [15], [17]。尽管直接观测提供精确数据，但对于大规模或长期监测来说并不实用，特别是在资源有限的地区 [12], [18]。因此，机理模型和经验模型被广泛用于估计NSP负荷并识别CSAs。
机理模型，如土壤和水评估工具（SWAT）[15], [19]、暴雨管理模型（SWMM）[20]和农业非点源污染模型（AGNPS）[21]，以高空间和时间分辨率模拟污染物动态并识别CSAs。这些模型依赖于详细的水文和水质数据，并能提供准确的CSA划定 [22], [23]。然而，其庞大的数据需求、耗时的率定过程以及频繁的数据稀缺限制了其在许多地区的适用性 [12], [24]。相比之下，经验模型如输出系数法（ECM）[9]、非点源污染风险指数（NSPRI）[25]、潜在非点源污染指标（PNPI）[17]和地形指数（TI）[14]提供了更简单且更具成本效益的替代方案。尽管机理细节较少，但这些模型在数据受限地区的CSA识别中被广泛采用 [26], [27]。然而，与机理模型相比，其可靠性和准确性仍有待确定。为克服这些局限，本研究引入了改进输出系数法（MECM），该方法整合了机理和经验建模方法的优点，以改进CSA识别。MECM增强了污染物输移过程——如径流、产沙量和入渗——的模拟，使其成为SWAT的有力替代方案，特别是在数据可用性受限的情况下。
污染物输移过程涉及复杂的物理和生物地球化学反应，包括硝化、反硝化、矿化以及碳氮循环 [28], [29], [30]。由于模型结构中固有的简化和假设，没有任何单一模型能够全面表征这些过程 [12], [31]。因此，CSA识别结果在不同模型之间往往存在差异，给NSP管理引入不确定性，并导致资源分配效率低下。为缓解这一问题，多模型整合作为一种减少不确定性和提高预测有效性的有效手段，受到越来越多的关注。在这些方法中，贝叶斯模型平均（BMA）为整合多个模型的输出提供了稳健框架。BMA通过基于模型的预测表现分配概率权重来考虑不确定性 [32], [33]。与传统平均技术不同，BMA不仅提供加权集合预测，还能显式量化模型不确定性，使其特别适合解决NSP估计的复杂性 [34], [35]。在本研究中，BMA被用于整合五个广泛使用模型的预测——SWAT、ECM、MECM、PNPI和NSPRI——以产生更可靠且空间一致的CSA识别结果。
本研究的创新之处在于通过BMA整合机理（SWAT）和经验（即ECM、改进ECM、PNPI和NSPRI）模型，利用其互补优势的同时最小化各自的局限性。研究目标为：(1) 建立一个综合多模型输出以稳健识别CSAs的BMA框架；(2) 评估改进输出系数法（MECM），该方法通过明确量化径流、产沙和入渗路径来增强过程表征；(3) 在一个数据稀缺的流域中对五种不同模型（SWAT、ECM、MECM、PNPI和NSPRI）的适用性进行基准评估。本工作为推进多模型集合方法提供了关键见解，并为针对快速城市化和复杂地形变化景观量身定制的有效NSP管理策略提供了依据。
